基于时空融合网络的髋关节外骨骼力矩预测与辅助控制方法与流程

本发明涉及智能外骨骼控制，尤其涉及一种基于时空融合网络的髋关节外骨骼力矩预测与辅助控制方法。

背景技术：

1、作为一种可穿戴机器人，下肢外骨骼系统能够与人体肌肉骨骼系统协同工作，长期被期望用于增强使用者的运动能力和康复训练。其中，髋关节是下肢运动的核心关节，在行走、跑步、上下楼梯等日常活动中承担着大量功率输出，髋关节辅助外骨骼被证明能够显著降低用户代谢能耗。然而，现有髋关节外骨骼控制策略在室外真实环境应用中面临着两大挑战。

2、其一，传统外骨骼控制器通常依赖预定义的力矩轨迹或任务分类方法，需要针对平地行走、上下坡、上下楼梯等不同动作分别设计力矩曲线，动作切换时需要任务分类器介入，难以适应连续复杂的户外环境。传统有源外骨骼基于时间（步态周期）或运动学（如关节角度）的力矩辅助控制策略不能很好适应户外行走模式的变化，这些控制器通常基于步态相位生成离散辅助力矩轨迹，其辅助轨迹只能在下一个离散段的开始处改变，难以适应不同的行走模式（例如速度变化和突然停止）。

3、其二，现有基于深度学习的力矩估计方法存在传感器配置复杂、多动作泛化能力不足的问题。部分方法依赖足底压力、肌电信号等多模态传感器，穿戴负担重、部署困难。部分基于单一imu的方法虽然降低了传感器复杂度，但在多种动作之间共享统一的运动学-力矩映射，忽略了不同动作下人体生物力学特性的差异，导致力矩估计精度受限。

4、而在现有的技术中，如试图通过活动分类和步态相位检测来解决多动作适应性问题。然而，此类方法仍存在显著不足：首先，其依赖多个imu及脚开关等额外传感器，增加了系统的穿戴负担和硬件复杂度；其次，其本质仍是基于规则切换的“分类-计算”模式，即先判定动作类型，再调用对应的人体动力学模型计算力矩，这既受限于模型精度，也无法实现端到端的力矩回归；最后，其控制输出仅为生物力矩的比例缩放，缺少对助力相位和人体代谢能耗的主动优化。

5、因此，亟需一种仅依赖轻量传感器输入、能够在多动作场景下准确估计髋关节力矩并据此提供自适应助力控制的方法。

技术实现思路

1、本发明旨在解决上述现有技术中存在的问题，提供一种基于时空融合网络的髋关节外骨骼力矩预测与辅助控制方法，采用双通道时空融合网络结合动作条件特征融合模块实现髋关节生物力矩的高精度实时估计，并基于力矩估计结果提供自适应助力控制。

2、为实现以上目的，本发明提供了一种基于时空融合网络的髋关节外骨骼力矩预测与辅助控制方法，包括以下步骤：

3、s1、数据采集：采集髋关节外骨骼的传感器数据，传感器包括安装于腰背部或骨盆处的第一惯性测量单元以及髋关节驱动单元内的双侧电机编码器；

4、s2、特征提取：构建时序滑动窗口，对所述传感器数据进行特征提取与标准化处理，形成输入特征矩阵；

5、s3、双通道特征提取：构建双通道时空融合网络stfnet，包括tcn通道、bi-lstm通道和特征融合层，将所述输入特征矩阵分别输入tcn通道和bi-lstm通道，提取时序特征，并将tcn通道和bi-lstm通道输出的特征向量通过特征融合层进行拼接，获得第一融合特征向量；

6、s4、动作条件特征融合：将所述第一融合特征向量经独立训练的动作分类网络输出动作概率向量；将所述动作概率向量与所述第一融合特征向量经全连接层提取的共享特征向量进行拼接，获得第二融合特征向量；

7、s5、力矩回归：将所述第二融合特征向量输入髋关节力矩回归网络，得到当前时刻的髋关节生物力矩估计值；

8、s6、辅助力矩生成：基于所述髋关节生物力矩估计值，通过中继控制层生成并输出外骨骼的指令力矩，将指令力矩发送至髋关节驱动单元的电机控制器，使外骨骼按所述指令力矩提供辅助力矩。

9、进一步的，步骤s3中，所述tcn通道采用多层膨胀卷积提取输入数据的局部空间特征和时间依赖关系，依次包含3层残差块，每个残差块包括两个膨胀卷积层，膨胀率逐层递增，并经全局平均池化层和flatten层降维，再通过全连接层将输出维度映射至指定维度；每个残差块内，第一层卷积核数量为96，第二层卷积核数量为48；

10、所述bi-lstm通道采用双向长短期记忆网络捕获时序数据的长程前后向依赖关系，之后接入bi-lstm层，输出最后一个时间步的前后向合并特征。

11、进一步的，步骤s3中，tcn通道和bi-lstm通道输出的特征向量通过特征融合层进行拼接后获得的第一融合特征向量，通过dropout层进行正则化；dropout率为0.1。

12、进一步的，步骤s4中，所述动作条件特征融合具体包括：

13、将所述第一融合特征向量经动作分类网络输出六类动作的动作概率向量；六类动作为平地行走lg、上坡ra、下坡rd、上楼梯sa、下楼梯sd、跑步run；

14、将所述第一融合特征向量输入全连接层提取共享特征向量；

15、将所述共享特征向量与所述动作概率向量进行拼接，获得第二融合特征向量。

16、进一步的，步骤s5中，所述髋关节力矩回归网络采用双路径结构，包括动态力矩预测路径、动作偏置路径、力矩合成层，具体为：

17、动态力矩预测路径，将第一融合特征向量输入全连接层，提取共享特征，将共享特征向量与动作概率向量进行拼接，获得融合特征，再依次通过两个全连接层，输出动态力矩分量；

18、动作偏置路径，将动作概率向量输入一个无偏置的全连接层，输出动作偏置力矩分量，用于为不同动作提供独立的基线力矩偏置；

19、力矩合成层，将所述动态力矩分量与所述动作偏置力矩偏量通过加法层相加，得到髋关节生物力矩估计值。

20、进一步的，步骤s6中，所述中继控制层包括：

21、缩放单元，用于将所述髋关节生物力矩估计值乘以缩放因子，得到缩放后的力矩信号；

22、延迟单元，用于对缩放后的力矩信号施加固定延迟，得到延迟后的力矩信号；

23、低通滤波单元，用于对延迟后的力矩信号进行低通滤波，得到所述指令力矩。

24、进一步的，所述缩放因子的取值范围为0.1至0.4；所述固定延迟的取值范围为50至150毫秒；所述低通滤波单元采用二阶butterworth低通滤波器，其截止频率为10hz；

25、所述中继控制层中的缩放因子根据用户偏好或动作类型进行自适应调整，包括上坡、上楼梯的高力矩需求动作采用0.3～0.4的缩放因子，包括平地行走的低力矩需求动作采用0.15～0.2的缩放因子，包括跑步的快速运动采用0.1～0.15的缩放因子。

26、进一步的，所述方法还包括模型轻量化步骤，具体为：

27、在模型部署前，采用混合精度量化和通道剪枝技术对训练完成的stfnet模型进行压缩，生成轻量化版本模型。

28、进一步的，对模型的tcn通道和bi-lstm通道分别采用8-bit和4-bit混合精度量化；采用可解释性分析方法评估特征通道贡献度，对冗余特征通道进行剪枝或融合。

29、本发明采用上述一种基于时空融合网络的髋关节外骨骼力矩预测与辅助控制方法，有益效果如下：

30、（1）本发明采用双通道时空融合网络（stfnet）架构，通过tcn通道的膨胀卷积高效提取局部空间-时序模式，同时借助bi-lstm通道捕获髋部运动的长程前后向依赖关系，两通道并行融合实现了对髋关节生物力矩的高精度估计。经公开数据集在线部署验证，本发明的力矩估计rmse≤0.15nm/kg，r2≥0.8，较单一tcn网络或单一bi-lstm网络在估计精度上实现了显著提升，为后续精准助力控制奠定了可靠基础；

31、（2）本发明引入动作分类与动作条件特征融合模块，通过对多种常见日常动作（平地行走、上下坡、上下楼梯等）进行分类，并将动作类别概率作为条件信息拼接注入力矩回归网络，解决了传统端到端回归模型在多动作间共享统一运动学-力矩映射导致的估计精度下降问题，显著提升了多动作场景下的力矩估计泛化能力；

32、（3）本发明构建了从生物力矩估计到外骨骼辅助力矩输出的完整控制链路，通过缩放、固定延迟和低通滤波三个可调节环节，使外骨骼输出的辅助力矩在幅值和相位上主动契合人体髋关节的生物力学特性。实验验证表明，该中继控制策略能够有效增加外骨骼的正功输出并降低穿戴者的代谢能耗，在助力效果和用户舒适性之间取得了良好平衡，且缩放因子可根据动作类型自适应调整，进一步优化了不同工况下的助力效率；

33、（4）本发明仅依赖腰背部imu和双侧电机编码器作为传感器输入，无需膝关节或踝关节附加传感器、无需肌电信号、无需足底压力传感器，显著降低了穿戴者的身体负担和系统部署复杂度；